极限学习机(ELM)matlab源代码

基于极限学习机的强化学习，潘杰，，极限学习机能以极快的速度提供良好的泛化性能，并且结构简单，计算方便。本文针对其优点，将其用于强化学习。利用极限学习机对Q��

为了进一步提高极限学习机的学习性能，将并行学习的思想引入单层极限学习机，并提出了基于并行学习的多层极限学习机模型。实验结果表明，该模型比传统的单层极限学习机、多层极限学习机以及传统基于误差反向学习的深

基于极限学习机的多网络学习,王建功,,与现有神经网络相比,极限学习机具有较快的学习速度以及良好的泛化性能。然而,它的性能还可以得到很大提高,主要基于两个原因:

本程序提供源代码，功能包含了新概念英语1-4册，实现了阅读、单词查询、点读等。 bass.dll播放MP3文件(播放其中部分) TTS英文发音 用RTF代码插入文本、插入图片来创建RTF文件类 因不能

极限学习机的训练和测试，可用于模式识别，定量分析等计算。

详细介绍了基于正则化极限学习机(RELM)的数据回归预测算法的matlab代码，并提供了代码的下载链接。以极限学习机为基础，该代码实现了对数据的回归预测，可以帮助用户对数据进行准确的预测和分析。代码使

提出一种基于差分进化(DE) 和粒子群优化(PSO) 的混合智能方法—–DEPSO 算法, 并通过对10 个典型函数进行测试, 表明DEPSO 算法具有良好的寻优性能. 针对单隐层前向神经网络(SLF

由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数

本文首先概述了ELM的发展历程,接着详细阐述了ELM的工作原理.然后对ELM理论和应用的最新研究进展进行了归纳总结,着重讨论并分析了自ELM提出以来的主要学习算法和模型,包括提出的原因、核心思想、求解

极限学习机在岩性识别中的应用.ELM的应用例子PDF论文